基于IMU传感器与深度度量学习的人体行为识别算法

人体行为识别可以定义为通过一系列观察和周围环境来确定一个人的各种姿势和日常活动。很多研究尝试将深度学习技术用于HAR中,然而,现有的基于DL的HAR方法存在复杂度较高、算力需求大和泛化性与鲁棒性不足的问题。为了解决上述问题,围绕基于智能手机内置IMU传感器的HAR方法,提出了一种名为RMDML的HAR方法,该方法结合了轻量化神经网络Res-MLP和深度度量学习的特征嵌入技术,旨在提取具有可分离性与可判别性的泛化特征,从而提高模型识别性能和泛化性能。RMDML模型在公开数据集UCI HAR上取得了97.26%的准确率,高于几种常见的HAR算法,证明了所提出方法的有效性。

IMU／GPS数据同步电路的研究与实现

数据同步是INS／GPS组合导航中数据融合的重要前提。对IMU／GPS组合系统中的数据同步技术进行研究,在IMU没有同步脉冲的情况下,提出了一种以GPS的1PPS(秒同步脉冲信号)为参考时标,由CPLD和8253实现的数据同步方法。实验证明了方案的设计是成功的。

与SAR同步的IMU/GPS组合导航系统的设计

应用IMU/GPS组合导航系统为SAR系统提供运动补偿参数时,数据与SAR之间的同步是非常重要的。基于实际应用提出一种可与SAR系统脉冲重复频率(Pulse Repetition Frequency:PRF)保持同步的IMU/GPS组合导航系统,解决了IMU/GPS组合导航系统不能与SAR同步的问题。

基于适应度反馈作用的PSO算法改进

粒子群优化算法的收敛速度较慢、精度较低、稳定性欠佳。为此,提出一种基于适应度反馈作用的改进粒子群优化算法。在运行过程中,根据粒子相邻2次迭代的适应度变化,对适应度变化值归一化处理后,将其反馈给惯性权重,以削弱粒子寻优过程中的适应度振荡幅度,增强粒子群跳出局部最优的能力。测试结果表明,该算法的全局搜索能力得到提高,具有较高的收敛速度和稳定性。

基于SINS/GPS组合导航的AUV半实物仿真系统设计(英文)

为了满足水下航行远航程和长时间的要求,远航程自主水下航行器(AUV)采用的是以SINS导航为主、卫星导航定期修正的方式,以提高导航的精度和可靠性。设计一种采用GPS卫星定位导航模拟器、GPS接收机、惯性测量器件(IMU)和实时仿真计算机构成的采用SINS/GPS组合导航方式的AUV导航半实物仿真系统,并对该系统的硬件接口设计、算法和软件开发进行了论述。所开发的系统通过外部的线运动补偿实现了惯性导航系统的完整计算,通过时间同步策略解决了各导航子系统的并行同步问题。部分仿真试验的结果表明,所设计的半实物仿真系统方案可行,可用于更高置信度的AUV组合导航仿真实验。

航空数字成图相机系统简介

航空数字成图相机系统是基于大面阵CCD的厘米级高分辨率多光谱全数字对地遥感成像系统,兼备传统航空摄影测量与现代光电子多光谱数字遥感的技术特点,已广泛应用于城市大比例尺测图、高精度环境及地质灾害监测中,在数字城市和重大工程勘测领域具有广阔的应用前景。

直升机桅杆式稳瞄具振动环境测试分析

对某直升机桅杆式稳瞄具振动环境进行实际测试,设计体积重量与真实稳瞄具完全相同的模拟件和测试设备(IMU)。分别进行25 m悬停和160 km/h前飞条件下的测试飞行,测试结果表明25 m悬停状态下,振动最小;随着前飞速度增加,振动加剧;测试结果还表明振动环境中不但存在线振动,而且也存在角扰动。测试结果对稳瞄具的前期设计和地面试验提供准确的原始输入数据。

GPS/INS技术在城市测绘中的试验

航空摄影测量是城市测绘的重要手段和先进方法,随着GPS/INS技术的出现,推进了航空摄影测量长足发展,为快速实施城市测绘提供了有力的技术保障。本文通过对陕西省铜川市试验区在数码相机同高精度的GPS/INS系统联结下,墩外业像控布点区域网的大小、GPS/INS直接定向的精度、GPS辅助空三和GPS/INS辅助空三的精度对比等方面进行分析总结,具有一定的科学性和实用性。

GPS/INS直接定向精度分析

近年来,GPS/INS融合技术在国内逐渐被应用于航空摄影测量中,利用其直接获得外方位元素,从而减少外业控制点。通过试验,在DMC数码相机同高精度的GPS/INS系统联结下,直接获取了试验区的外方位元素,并对GPS/INS数据直接定向的精度进行分析和总结,得出了一些有益的结论。

航空摄影新技术推动数字摄影测量的发展

本文介绍了国内航空摄影新技术的发展及应用情况,并对航空摄影技术进行了具体的应用前景分析。

利用惯导测量单元确定关键帧的实时SLAM算法

由于嵌入式处理器算力的限制,实时性差一直是视觉惯导同时定位与建图(VI-SLAM)走向实际应用的一个亟待解决的问题,因此提出一种利用惯导测量单元(IMU)确定关键帧的实时同时定位与建图(SLAM)算法,主要分为3个线程:跟踪、局部建图和闭环。首先由跟踪线程通过IMU预积分自适应地确定关键帧,而自适应阈值由视觉惯性紧耦合优化的结果得出;然后仅对关键帧进行跟踪,避免对所有帧进行特征处理;最后利用局部建图线程在滑动窗口中通过视觉惯导光束平差法得到更加精确的无人机位姿,利用闭环线程得到全局一致的轨迹和地图。在数据集EuRoC上的实验结果表明,该算法能在不降低精度和鲁棒性的情况下显著减少跟踪线程耗时,降低VI-SLAM对计算资源的依赖。在实际飞行测试中,该算法能够较实时准确地估计出具有尺度信息的无人机飞行真实轨迹。